机器学习数据分析之Python中Numpy的常用方法

IPython交互Shell使用技巧：
代码提示功能：

部分名字+tab键

显示变量/对象具体信息：名称+？

搜索命名空间：例如使用通配符：np.*aa*?

结果会出现所有中间有俩a的变量名，类，方法等

可以运行脚本代码：%run +路径，绝对路径即可

运行后，该脚本内全局变量，函数，import等都能在IPython界面使用了

执行时按ctrl+c可以中断代码

%paste:将剪切板中的代码作为整体执行

一些魔术命令：

numpy是python中支持科学计算，矩阵操作的第三方库

numpy中的多维数组对象ndarray，实际上是把程序设计语言中的单个数的运算直接泛化到了批量运算，免去写循环的麻烦。其中元素必须是同类型的，有基本属性shape：显示各维度大小，dtype：说明数据类型

ndarray的创建：

1可以用一切序列型对象，比如list，或其他ndarray

2创建同时初始化：全0：np.zeros(10)

多维：np.zeros((3,6))

全1类似，np.ones()

自然数序列：初始化为0~N-1：np.arange(N)

还可等差数列构建：np.arrange(-5,5,0.1)：-5开始，每次加0.1到5，共100各数

3创建N阶单位矩阵：np.eye(N)

 

dtype可以在创建ndarray时人为指定，加参数即可。

dtype也可以认为的进行显式转换：调用arr.astype(newtype)

 

乘法：ndarray中的*并不是矩阵乘，而是对应位置元素分别乘。

nd数组与单个数字运算，则数组中每个元素都运算。

 

ndarray的索引与切片：

索引类似于数组。

一维时的切片：array[a:b]表示从a开始，切出b-a个元素，即a~b-1

数组的切片可以赋值，注意，这时并不是复制，而是类似于c++的引用：

arr_slice = arr5[5:8] 此时arr_slice并不是新数组，而是arr5片段的引用，若此时执行：

arr_slice=1，那么arr5[6]会变成1.在numpy中称为“视图”

若想复制，可以用arr[5:8].copy()

 二维数组中，索引是取出一行。

类似的，在n维数组中，单值索引会得出n-1维数组，赋值时也是对这个子数组整体赋值

赋值后可用old_values值再赋值一次撤销操作

二维下的双切片：先切行，再切列：

数组名==值机理：值实际上相当于向量，其维数与数组相同，每一个元素对应判断相等。

例如：

这时要求布尔型数组长度必须跟被索引轴长度一致。

即取出了Ture位置对应的行，即第0行与第3行。当names与data有现实意义上的对应关系时这种操作就类似于数据库了

 

数组转置：即矩阵转置 arr.T

转置提供的是一个视图，不进行任何复制操作

ndarray中有很多矢量化的运算函数，即把针对单个数的函数推广到了针对矩阵的：

np.sqrt(arr)，每个元素求平方根

np.exp(arr)，每个元素求指数函数

np.modf(arr),把浮点数的整数和小数分开，返回俩数组

将x，y轴都设为0-3，然后求所有坐标的x2+y2的平方根：（根据网格对函数求值）

arr7 =[0,1,2,3];

xs,ys=np.meshgrid(arr7,arr7)

printnp.sqrt(xs**2+ys**2)

关于np.random.randn:

np.random.randn(a,b)产生a行b列的符合N(0,1)正态分布的数据

想产生（μ，x^2)的样本，那么x*np.random.randn(a,b)+μ即可

 

arr.mean()：求平均数

arr.sum()求和

上面俩函数还可以填一个维度axis的参数，用于求该轴上的统计值，常用axis=0横轴，=1竖直轴

sum函数还能对bool函数求出true值的个数

numpy数组也可以用sort方法：

arr.sort()就是从小到大牌序所有数

多维数组还可以在一个轴向上进行牌序,传入维度参数即可

唯一化：np.unique(arr)返回去重后并且排序后的数组

查看是否包含：np.in1d(x,y)

两个矩阵x和y相乘：x.dot(y)或np.dot(x,y)

常用线性代数函数：

部分Demo：

# -*-coding:utf-8-*-
import pandas as pd
import tensorflow
import numpy as np
data1=[1,5,3.1]
arr1=np.array(data1)
arr2=np.array(arr1)
print arr1,arr2,arr1.dtype

data2=[[1,2,3,4],[5,6,7,83]]
arr3=np.array(data2,dtype=np.float64)
print arr3,arr3.shape,arr3.dtype

arr4=np.zeros((2,3))
print arr4

arr5=np.arange(10)
print arr5

arr6=np.eye(10)
print arr6,arr6.dtype

print arr5*arr5

print arr5[5:8]
arr_slice = arr5[5:8]
print arr_slice
#print arr6
print arr6[[1,3,5]]
print arr6[[1,3,5]].T
print np.dot(arr6[[1,3,5]],arr6[[1,3,5]].T)

arr7 =[0,1,2,3];
xs,ys=np.meshgrid(arr7,arr7)

print np.sqrt(xs**2+ys**2)

arr8 = np.random.randn(5,4)
print arr8

print arr8.mean(axis=0)